http://in.sdo.com/?p=1386
引言
在互聯網上，信息的數量越來越大。用戶可以選擇的面也越來越廣，推薦系統的任務是，要從眾多的資訊中，過濾並挑選出符合每個用戶口味的內容，推薦給不同用戶。在這個過程中，對用戶興趣的刻畫、建模是最為重要的一環。
傳統的用戶興趣刻畫，大多集中於用戶基本屬性上，例如性別、年齡、職業、收入等，這樣提取的用戶屬性，對用戶興趣的刻畫並不夠直接，對推薦系統來說，更需要一類直接面向待推薦內容的用戶興趣描述方法，並能方便的應用於個性化推薦系統，進行精准的個性化推薦。本文就此簡單做些介紹，注意實際運用時會因地制宜進行更深入的改進。（文/陳運文）
符號標記方法（Notation）
本文中，約定 user代表用戶，item代表被推薦對象，log代表用戶點擊的歷史，tag代表標簽（標簽由一個或多個詞匯構成，例如 范冰冰、曲棍球、美國職業籃球聯賽等）；category代表分類（例如 體育、娛樂、軍事等）；
實現步驟
1 用戶點擊行為的日志記錄
2 基於點擊行為，對用戶興趣進行建模，分為三部分進行挖掘，也是本專利的核心內容
3 基於上節生成的用戶興趣模型，進行個性化推薦
4 用戶接收到個性化推薦結果后，點擊反饋行為將被回收並記錄到用戶點擊行為日志中，用戶下一次循環時更新興趣模型
點擊行為記錄
點擊行為是后續的用戶興趣建模的數據基礎。以系統日志的方式進行存儲，記錄有userid，itemid，時間，點擊行為等
用戶興趣建模過程
用戶興趣建模從日志中提取近一段時間的用戶點擊行為后，對該用戶點擊的item(對象)進行一下的分析。首先從標簽系統說起，因為標簽(tag)是對item的一種靈活描述方法。（如下圖是圖書標簽示例）
假定用戶日志中，有N個item，分別為item1,item2…, itemN, 每個item攜帶若干個標簽，如item1的標簽為：tag1_1, tag1_2, tag1_3…
同樣的，我們可以通過item所屬的類別（category）來對用戶進行建模刻畫，例如采用貝葉斯（Bayers）的統計思想進行計算：
公式中，p(click)表示用戶點擊的概率，計算方法為: 用戶點擊的總數/用戶被推薦的結果總數；P(category_i|click)表示類別category_i被點擊的條件概率，計算方法為：屬於該category_i的item被點擊的數量/用戶所有點擊的item數量
與該用戶的興趣相似的其他用戶，也可以作為用戶興趣建模的一部分。因為這些用戶閱讀的內容，也可以作為結果推薦給該用戶。因此，用戶興趣建模的第三部分，是挖掘相似興趣的用戶並記錄在用戶興趣模型中（user interest profile）：
這樣能形成User—>User—->Item的推薦過程，將下圖中虛線框的部分存儲起來，可以構成用戶模型的一部分。如果有來自SNS的user間關系，則這里的sim計算可以更復雜一些。
用戶興趣建模和推薦過程
此處的個性化推薦從上面挖掘的3個來源來生成結果，分別是：
1根據user-tags關系，從item中，挑選其中有感興趣tag的item，加入推薦列表
2 從用戶感興趣的category中，取出最新的item，加入推薦列表
3 用和用戶興趣相似的user中，取出最新觀看的item列表，加入推薦列表
以上所有item合並起來，構成candidate item列表，為候選的個性化推薦結果，給用戶。用戶對這些item的點擊情況，將返回到“用戶點擊日志”系統中，供下一次更新用戶興趣模型時使用。因為用戶的興趣往往是不斷變化的，通過這樣一套循環系統，能夠不斷的捕捉用戶的興趣點，讓推薦結果保持優質